前沿AI模型在设计创造力上仍明显不及人类设计师。推出设计创造力基准（Design Creativity Bench），评估AI模型在UI设计任务上的创造力。尽管UI生成能力进步迅速，领先模型仍难做出有创造力的设计决策。评估16个前沿模型、80项UI任务，每个任务适配两个产品域，参照人类设计师，从原创性、创意范围与适用性三维衡量。最佳模型为开放人工智能（OpenAI）GPT-6 阿斯特拉（GPT-6 Astra），得65.5分，人类参考为92.3分。
正文
前沿 AI 模型在设计创造力上仍远远落后于人类设计师。
Design Creativity Bench 是一个新基准，用于评估 AI 模型在 UI 设计任务上的创造力。
尽管模型生成可用网站和产品 UI 的能力进步很快，领先模型在做创造性设计决策时依然吃力。
我们在 80 个开放式 UI 任务上评估了 16 个前沿模型；每个任务都被改编到两个不同的产品领域，并配有真人设计师的参考设计。
现有 UI 基准通常只衡量单一的输出质量指标。我们改为衡量设计创造力的三个维度：
- 原创性：在同一份设计需求下，某个模型的设计与其他模型输出之间的差异程度。
- 创意范围：当产品领域变化时，模型调整设计决策的程度。
- 适配度：生成的 UI 满足设计需求中功能要求的程度。
结果显示，整体创造力的差距很大：表现最好的模型 OpenAI GPT-6 Astra 得分为 65.5，而人类参考分为 92.3。
我们公开了完整排行榜、评估方法和可复现的评估框架，让设计创造力成为前沿模型能力中一个可被衡量的维度。
排行榜：https://kombai.com/benchmark/ 论文：https://arxiv.org/abs/2610.11539 HuggingFace 数据集：https://huggingface.co/datasets/Kombai/design-creativity-bench GitHub：https://github.com/kombai-io/design-creativity-bench/
评论
高赞评论多认为，在提示语只要求“鹈鹕骑自行车”且未指定风格时，模型给出通用、可预期的输出，是遵循指令与 SVG 等格式约束的正常结果，并非缺陷，想要创意应靠提示词或人类引导；较多人则坚持，这是后训练/RLHF 与共享数据集导致的真实多样性坍塌，被严重低估且可能扼杀创新。少数人补充说，人类在同样提示下也并不更有创意，不能只责怪模型。
认为默认同质化输出是遵循指令与格式约束的正常结果，并非缺陷
- 模型本质是预测并服从指令的工具，简单且不指定风格的提示自然得到简单结果；SVG 作为二维图标格式也会把画面推向多边形、矢量、易识别的默认样式。许多评论认为，若想要雨天城市、东亚、外太空或写实版本，应改写提示词或继续迭代，而不是期待模型在默认提问下主动发散。更好的提示词能把分布从平均值移开，因此“默认普通”是给用户留出可控空间，不是模型失败。（认可度：高赞） > 简单提示对应简单输出，这是模型变得更擅长服从指令、照做，而不是缺陷。（@randomblock1）
认为后训练与共享数据造成了真实的多样性坍塌，值得警惕
- 不少评论强调，这不只是提示太简单，而是当前模型在对齐/RLHF 等后训练之后，相对后训练数据分布发生了模式坍塌；它们在同一提示下反复重建相似构图，如太阳、道路、绿色、围巾、向右行进，连风格都趋同，甚至代码生成也千篇一律。评论认为这种多样性缺失被严重低估，会扼杀创新，且并非 transformer 独有，但也不是根本限制——无监督模型本可达到训练数据允许的多样性。（认可度：较多人） > 当前所有后训练模型相对后训练分布都发生了模式坍塌，这是各类模型常见的失效模式，但不是根本限制——无监督模型本可拥有训练数据允许的多样性。（@orbital-decay）
认为人类在相同提示下也不见得更有创意，不能只责怪模型
- 若给人类设计师、学生或普通路人同样的无额外指令提示，结果也会高度趋同：多数人只会画出通用沙滩或自己熟悉的场景，需要极多样本才会出现月球、霓虹东京等异常有创意的答案。换言之，鹈鹕自行车的“普通联想”反映的是人与数据的共同偏见，而不是模型单独缺乏创造力。（认可度：少数人） > 人也不见得更有创意：让人想象鹈鹕骑自行车并追问场景，多半只得到通用沙滩或熟悉地点，要几千人才会出现“月球上的鹈鹕”或“霓虹东京”。（@micromacrofoot）
有价值的补充
- SVG 是常用于图标的二维格式，本身就会把输出推向多边形、简笔矢量风格；评论里有人让模型把 Logo 改得更写实后效果更好，说明“看起来多边形”是格式约束，而不是模型不会写实。
- 代码生成领域的反直觉风险：让模型实现某个功能时，它大多输出类似“注释良好的栈溢出实习生项目”的同质化实现，评论认为这种千篇一律足以用来训练对抗样本或在事后攻破系统。
- 图像模型的经验可作类比：从 base 模型到 turbo/蒸馏模型，base 通常更受随机种子影响，而对齐后的 turbo 模型多样性更低，说明 RLHF/对齐会压缩输出分布。
- 精巧类比：有人把这类模型比作“拼写检查器，而不是艺术生”——它按预测机制工作，为了不胡说而降低随机性，因此不该期待它主动给出每个提示都独特的艺术表达。
- 即便在所谓多样结果里，大多数鹈鹕也被画成从左向右骑行，说明数据与人类认知里都有方向等深层偏见，要消除才能得到真正的多样性。
- 趋同并不只发生在 LLM：全球化与优化让企业 Logo、室内设计、公寓户型都趋于同一种极简风；很多产品负责人还把“和竞品一样”当成优点，直接要求复制 Gmail 标签或 Anthropic 的聊天界面。
- 纯玩笑：有人回复“现在画一只房间里的大象”，用“房间里的大象”调侃多样性缺失这个显而易见却被回避的问题。